TWM620045U

TWM620045U - 加工機之智能型熱位移補償系統

Info

Publication number: TWM620045U
Application number: TW110208162U
Authority: TW
Inventors: 黃宗性; 張明倫
Original assignee: 財團法人精密機械研究發展中心
Priority date: 2021-07-12
Filing date: 2021-07-12
Publication date: 2021-11-21

Abstract

本創作提供一種加工機之智能型熱位移補償系統，其包含有：一輸入模組接收溫度感測器以及熱位移感測器之量測資訊；一處理模組建立一初始熱誤差演算模型以及複數特徵子集，並進一步取得一適應誤差值，接著比對適應誤差值以及一容忍值，當適應誤差值小於容忍值時得一最佳特徵子集，反之則重新調整特徵子集；一輸出模組依據最佳特徵子集建立一最佳熱誤差演算模型；以及一補償模組能夠選擇溫度感測點資訊並輸入至最佳熱誤差演算模型，估測實際熱誤差變量以產生一補償結果，並根據補償結果對加工機進行熱位移補償。

Description

加工機之智能型熱位移補償系統

本創作係有關一種熱位移補償相關技術，尤指一種加工機之智能型熱位移補償系統。

工具機相關產業為追求加工機的高產能與產量，在不影響產品品質的前提下，會提高加工機運作效率以在一定的稼動時間內生產更多的工件。然而，加工機在高速運轉的過程中產生的熱能，加工機機構間的熱轉移、熱擴散與熱分部，以及環境溫度等多種熱源影響因素而產生的熱誤差(Thermal Error)，會導致加工機之金屬鑄件因熱而膨脹變形，以及導致刀具與工件的相對位置發生偏移。

加工機因熱誤差而導致的變形以及偏移，進而影響整體加工機40~70%的加工精度，因此，業者通常會對加工機進行熱誤差補償(Thermal Error Compensation)，以減少熱誤差對加工精度的影響。熱誤差補償技術分為主動式補償以及被動式補償，主動式補償通常指加工機之結構改良，被動式補償指以電腦軟體控制進行補償。

主動式補償手段雖然可以從源頭解決或抑制熱誤差影響，但因涉及加工機的設計、組裝與測試，除了所需成本高、耗費時間外也無法進行熱誤差補償效果的快速驗證；被動式補償方法透過在機台上裝設多組溫度感測器以及佈置位移感測器，並依此建立一熱誤差模型，熱誤差模型可以根據當前溫度變化推估熱誤差變量以進行補償，而能立即確認補償效果。

然而，為了提高模型的預測準確率，需要先篩選出關鍵的溫度量測位置，而後再進入如模型相關參數調整的模型建立與訓練程序，而關鍵的量測位置以及模型相關參數只能透過人員介入以試誤法(Try and Error)反覆調整直到精度達標，因此，除了建模過程繁瑣且花費許多人力外，模型的可靠度亦難以衡量。

本創作主要目的在於能夠在模型建立與訓練的程序中，同時篩選出關鍵的溫度量測位置以及讓模型進行自我相關參數調整，不必透過人工介入即可建立出最佳的模型，並達到最佳的熱位移補償效果。

為達上述目的，本創作提供一種加工機之智能型熱位移補償系統，加工機上具有位於不同位置的複數溫度感測器以及一熱位移感測器，熱位移補償系統與複數溫度感測器以及熱位移感測器耦接，熱位移補償系統包含：一輸入模組、一處理模組、一輸出模組以及一補償模組；輸入模組用以接收複數溫度感測器以及熱位移感測器之量測資訊；處理模組與輸入模組耦接，處理模組包含一模型建立單元、一特徵子集建立單元以及一訓練單元，模型建立單元用以建立一依溫度變化的初始熱誤差演算模型，特徵子集建立單元根據複數溫度感測器以及初始熱誤差演算模型而取得複數特徵子集，每一特徵子集包含有複數溫度感測點資訊以及一相關初始熱誤差演算模型的模型參數，訓練單元由初始熱誤差演算模型獲得每一特徵子集之一模擬熱誤差變量，並以模擬熱誤差變量為基礎進一步取得一適應誤差值，訓練單元比對每一特徵子集之適應誤差值而取得一較佳特徵子集，當較佳特徵子集之適應誤差值小於一容忍值時，以較佳特徵子集作為一最佳特徵子集，當較佳特徵子集之適應誤差值大於容忍值時，則重新調整複數特徵子集；輸出模組與處理模組耦接，輸出模組依據最佳特徵子集以及初始熱誤差演算模型建立一最佳熱誤差演算模型；補償模組與輸入模組以及輸出模組耦接，補償模組能夠選擇溫度感測點資訊並輸入至最佳熱誤差演算模型，估測實際熱誤差變量以產生一補償結果，並根據補償結果對加工機進行熱位移補償。

藉此，本創作透過處理模組建立一依溫度變化的初始熱誤差演算模型與特徵子集，並進一步取得一適應誤差值，處理模組比對適應誤差值以及一容忍值，當適應誤差值小於容忍值時得一最佳特徵子集，當適應誤差值大於容忍值時則重新調整特徵子集，以此方式同時選出最關鍵的溫度感測點以及令模型進行自我模型參數調整，進而達到建模流程簡化、模型可靠度提升的功效。

為便於說明本創作於上述創作內容一欄中所表示的中心思想，茲以具體實施例表達。實施例中各種不同物件係按適於列舉說明之比例，而非按實際元件的比例與以繪製，合先敘明。

請參閱圖1至圖3所示，本發明提供一種加工機之智能型熱位移補償系統以及熱位移模型建立方法，加工機1上具有位於不同位置的複數溫度感測器2以及一熱位移感測器3，其中，加工機1上每一位於不同位置的溫度感測器2各代表一溫度感測點；熱位移補償系統100與複數溫度感測器2以及熱位移感測器3耦接。

熱位移補償系統100包含：一輸入模組10、一處理模組20、一輸出模組30以及一補償模組40，其中，輸入模組10用以接收複數溫度感測器2以及熱位移感測器3之量測資訊；處理模組20與輸入模組10耦接，處理模組20包含一模型建立單元21、一特徵子集建立單元22以及一訓練單元23；輸出模組30與處理模組20耦接；補償模組40與輸入模組10以及輸出模組30耦接。

本實施例之熱位移模型建立方法200，包括一模型建立步驟201、一資料擷取步驟202、一熱誤差模擬步驟203、一模型訓練步驟204、一最佳化步驟205以及一補償步驟206。

在模型建立步驟201中，模型建立單元21建立一依溫度變化的初始熱誤差演算模型211。

接著，在資料擷取步驟202中，特徵子集建立單元22根據複數溫度感測點資訊以及初始熱誤差演算模型211而取得複數特徵子集X，每一特徵子集X包含有複數溫度感測點資訊以及一相關初始熱誤差演算模型211的模型參數。

於本實施例中，每一特徵子集X選擇採用不同的模型參數資訊，以及各由所有溫度感測點資訊中選擇至少一關鍵溫度點資訊，並排除其他溫度感測點資訊對特徵子集X的影響。

其中，本實施例之模型參數為建立初始熱誤差演算模型211，其係以支援向量回歸(SVR，Support Vector Regression)演算法建立模型為例，模型參數為使用SVR演算法時需定義kernel function、C以及gamma等函數或超參數；SVR透過kernal function將特徵子集X投影由二維投影至三維，經由超平面切割後再映射回二維進行分類；透過調整參數C以及gamma可調整SVR建立模型的容許誤差與SVR擬合效果。

如圖3所示，為本發明實施例之加工機1溫度感測點篩選示意圖，在選擇溫度感測點為關鍵溫度點時，溫度感測點資訊係以0或1之方式呈現，當某一溫度感測點之特徵為1時，表示選擇此溫度感測點為關鍵溫度點，特徵子集X採用此關鍵溫度點之關鍵溫度點資訊；當特徵為0時，則表示不選擇此溫度感測點為關鍵溫度點，特徵子集X不採用此溫度感測點之溫度感測點資訊。

接著，在熱誤差模擬步驟203中，訓練單元23依據複數特徵子集X由初始熱誤差演算模型211而各獲得一模擬熱誤差變量，每一特徵子集X以此模擬熱誤差變量為基礎進一步取得一適應誤差值231。其中，訓練單元23將模擬熱誤差變量與熱位移感測器3量測之一位移資訊進行比對，以計算取得一測試誤差值，並以此測試誤差值作為適應誤差值231進行後續步驟處理。

於本實施例中，在熱誤差模擬步驟203訓練單元23依據複數特徵子集X，可計算取得各特徵子集X之適應誤差值231，其中，各特徵子集X之適應誤差值231為測試誤差值與一溫度點誤差值之和。

進一步說明，訓練單元23依據複數特徵子集X而獲得複數模擬熱誤差變量，將每一模擬熱誤差變量與熱位移感測器3量測之位移資訊進行比對，以計算取得每一特徵子集X之測試誤差值，而定義溫度點誤差值為（關鍵溫度點數目除以溫度感測點數目）。

更進一步說明，本實施例考量到各使用者對不同加工機1之熱位移模型建模需求，更定義適應誤差值231=w1*測試誤差值+w2*溫度誤差值，其中，w1為測試誤差值權重，w2為溫度誤差值權重，權重w1與權重w2之和為1。

接著，在模型訓練步驟204中，訓練單元23比對每一特徵子集之適應誤差值231，依據每一適應誤差值231數值大小判斷而取得一較佳特徵子集，當較佳特徵子集之適應誤差值231小於一容忍值時，代表整體熱位移模擬結果已經達到預定目標，跟實際狀況相符，以此較佳特徵子集作為一最佳特徵子集X’，輸出模組30以最佳特徵子集X’以及初始熱誤差演算模型211建立一最佳熱誤差演算模型31。

在模型訓練步驟204中，當較佳特徵子集之適應誤差值231大於容忍值時，代表整體熱位移模擬結果還達不到預定目標，將進行後續最佳化步驟205。在最佳化步驟205中，訓練單元23重新調整複數特徵子集X的參數選擇，並回到熱誤差模擬步驟203，依此循環重複調整特徵子集X，直到在模型訓練步驟204中，較佳特徵子集之適應誤差值231小於容忍值而獲得最佳特徵子集X’為止。

其中，本實施例之最佳化步驟205中，調整複數特徵子集X之方法係以粒子群(Particle Swarm Optimization)演算法為例，複數特徵子集X透過速度向量修正，而使其逐漸達最佳化，速度向量則基於比量常數項、隨機範圍、較佳特徵子集及最佳特徵子集X’進行更新，更新方式如下所示：

；

；

為特徵子集X，

為速度向量，

與

為比例常數項，

與

為介於0~1之隨機範圍常數，t為當前迭代次數，

為該次迭代之較佳特徵子集，

為截至該次迭代之當前所有特徵子集X中之最佳特徵子集X’，當

之適應誤差值231小於

之適應誤差值231，即更新成為新的

，而

小於容忍值時即成為最佳特徵子集X’。

最後，在補償步驟206中，補償模組40能夠依據由最佳特徵子集X’以及初始熱誤差演算模型211所建立的最佳熱誤差演算模型31，輸入關鍵溫度點的關鍵溫度點資訊至最佳熱誤差演算模型31，最佳熱誤差演算模型31能估測實際熱誤差變量以產生一補償結果，並依補償結果對加工機1進行熱位移補償。

藉此，本發明透過處理模組20建立一依溫度變化的初始熱誤差演算模型211與複數特徵子集X，每一特徵子集X包含有複數溫度感測點資訊以及相關初始熱誤差演算模型211的模型參數。處理模組20透過評估適應誤差值231，不斷更新特徵子集X直到獲得最佳特徵子集X’，更新特徵子集X的過程可同時篩選最關鍵的溫度感測點以及令模型進行自我模型參數調整，且不必透過人工介入即可建立出具有最佳的熱位移補償效果的模型，進而達到建模流程簡化、模型可靠度提升的功效。

雖然本創作是以一個最佳實施例作說明，精於此技藝者能在不脫離本創作精神與範疇下作各種不同形式的改變。以上所舉實施例僅用以說明本創作而已，非用以限制本創作之範圍。舉凡不違本創作精神所從事的種種修改或改變，俱屬本創作申請專利範圍。

1:加工機 2:溫度感測器 3:熱位移感測器 100:熱位移補償系統 10:輸入模組 20:處理模組 21:模型建立單元 211:初始熱誤差演算模型 22:特徵子集建立單元 23:訓練單元 231:適應誤差值 30:輸出模組 31:最佳熱誤差演算模型 40:補償模組 200:熱位移模型建立方法 201:模型建立步驟 202:資料擷取步驟 203:熱誤差模擬步驟 204:模型訓練步驟 205:最佳化步驟 206:補償步驟 X:特徵子集 X’:最佳特徵子集

[圖1]係為本創作實施例之加工機之智能型熱位移補償系統方塊圖。 [圖2]係為本創作實施例之加工機之智能型熱位移模型建立方法流程圖。 [圖3]係為本創作實施例之加工機溫度感測點篩選示意圖。

1:加工機

2:溫度感測器

3:熱位移感測器

100:熱位移補償系統

10:輸入模組

20:處理模組

21:模型建立單元

211:初始熱誤差演算模型

22:特徵子集建立單元

23:訓練單元

231:適應誤差值

30:輸出模組

31:最佳熱誤差演算模型

40:補償模組

X:特徵子集

X’:最佳特徵子集

Claims

一種加工機之智能型熱位移補償系統，該加工機上具有位於不同位置的複數溫度感測器以及一熱位移感測器，該熱位移補償系統與該複數溫度感測器以及該熱位移感測器耦接，該熱位移補償系統包含：一輸入模組，其用以接收該複數溫度感測器以及該熱位移感測器之量測資訊；一處理模組，其與該輸入模組耦接，該處理模組包含一模型建立單元、一特徵子集建立單元以及一訓練單元，該模型建立單元用以建立一依溫度變化的初始熱誤差演算模型，該特徵子集建立單元根據各該溫度感測器以及該初始熱誤差演算模型而取得複數特徵子集，每一特徵子集包含有各溫度感測點資訊以及一相關該初始熱誤差演算模型的模型參數，該訓練單元由該初始熱誤差演算模型獲得每一特徵子集之一模擬熱誤差變量，並以該模擬熱誤差變量為基礎進一步取得一適應誤差值，該訓練單元比對每一特徵子集之適應誤差值而取得一較佳特徵子集，當該較佳特徵子集之該適應誤差值小於一容忍值時，以該較佳特徵子集作為一最佳特徵子集，當該較佳特徵子集之該適應誤差值大於該容忍值時，則重新調整各該特徵子集；一輸出模組，其與該處理模組耦接，該輸出模組依據該最佳特徵子集以及該初始熱誤差演算模型建立一最佳熱誤差演算模型；以及一補償模組，其與該輸入模組以及該輸出模組耦接，該補償模組能夠選擇該些溫度感測點資訊並輸入至該最佳熱誤差演算模型，估測實際熱誤差變量以產生一補償結果，並根據該補償結果對該加工機進行熱位移補償。
如請求項1所述之加工機之智能型熱位移補償系統，其中，各該特徵子集中各由該些溫度感測點資訊中選擇至少一關鍵溫度點資訊，並排除其他溫度感測點資訊對該特徵子集的影響。
如請求項1所述之加工機之智能型熱位移補償系統，其中，各該特徵子集中選擇採用不同的模型參數資訊。
如請求項1所述之加工機之智能型熱位移補償系統，其中，該訓練單元用以將該模擬熱誤差變量與量測之一位移資訊進行比對，以計算取得一測試誤差值，並以該測試誤差值作為該適應誤差值進行後續處理。
如請求項1所述之加工機之智能型熱位移補償系統，其中，該訓練單元將該模擬熱誤差變量與量測之一位移資訊進行比對，以計算取得一測試誤差值，並定義一溫度點誤差值為(關鍵溫度點數目除以溫度感測點數目)，該適應誤差值為該測試誤差值與該溫度點誤差值之和。
如請求項1所述之加工機之智能型熱位移補償系統，其中，該訓練單元用以將該模擬熱誤差變量與量測之一位移資訊進行比對，以計算取得一測試誤差值，並定義一溫度點誤差值為(關鍵溫度點數目除以溫度感測點數目)，並定義該適應誤差值=w1*測試誤差值+w2*溫度誤差值，w1與w2之和為1。